Il governo indiano ha deciso di rivedere il suo schema di sussidi per la produzione domestica di semiconduttori, ridimensionando il contributo pubblico per singolo progetto ma al tempo stesso allargando i criteri di accesso. È una sterzata che dice molto sulla competizione globale per il controllo delle catene di fornitura dei chip – e, di riflesso, sulla futura disponibilità dell’hardware su cui girano i Large Language Models e i carichi di inference.

Finora gli incentivi erano strutturati per attirare pochi grandi impianti, con coperture fino al 50% dei costi. La nuova impostazione abbassa quella percentuale ma apre a un ventaglio più ampio di aziende, incluse realtà di medie dimensioni che potrebbero specializzarsi in componenti specifici – packaging avanzato, memorie, chip di potenza – anziché in fonderie complete. L’obiettivo dichiarato è moltiplicare i nodi della filiera locale, riducendo il rischio di dipendenze singole.

Lo sfondo è l’eterno tentativo di New Delhi di scalzare la Cina come hub manifatturiero per l’elettronica e i semiconduttori. Dopo anni di annunci, l’India ha cominciato a raccogliere impegni concreti: Micron sta costruendo un impianto di assemblaggio e test in Gujarat, e ci sono dialoghi aperti con TSMC e Intel. Il cambio di passo sui sussidi suggerisce una strategia più pragmatica: invece di finanziare una manciata di megafabbriche, il governo punta a creare un ecosistema diffuso, in cui anche attori di nicchia possano trovare convenienza a produrre in loco.

Perché la svolta riguarda chi gestisce AI on-premise

Il legame con il mondo degli LLM non è immediato, ma è profondo. La quasi totalità delle GPU e degli acceleratori usati per training e inference – dalle NVIDIA H100 alle soluzioni custom – viene prodotta in fonderie concentrate quasi esclusivamente a Taiwan e in Corea del Sud. Ogni shock geopolitico su quei nodi si traduce in carenza di VRAM e allungamento dei tempi di consegna. Diversificare la capacità produttiva significa creare alternative reali, anche per volumi minori ma strategici, come i chip per l’inference edge o i processori domestici per server self-hosted.

Per le aziende che valutano deployment on-premise, il calcolo del Total Cost of Ownership include sempre più la variabile "supply chain risk". Non basta più guardare al costo di una scheda A100 o H100: bisogna chiedersi se quel costo rimarrà stabile per tutto il ciclo di vita del progetto, e se l’hardware sarà effettivamente reperibile. La mossa indiana, pur senza garanzie di successo, immette nel sistema un segnale di allargamento della base produttiva.

Certo, i tempi sono lunghi. Una fabbrica di semiconduttori richiede anni per entrare a regime, e la semplice modifica di un incentivo non crea silicio da un giorno all’altro. Ma segnala una tendenza: i governi stanno ripensando gli strumenti di politica industriale per rendere le catene di fornitura più elastiche, e questa elasticità avvantaggia chi deve pianificare infrastrutture AI a lungo termine.

Non è un caso che l’India insista proprio adesso. Le tensioni tra Stati Uniti e Cina sulle restrizioni all’export di tecnicia hanno già spinto molte aziende a cercare fornitori alternativi. Se New Delhi riuscirà a creare un polo credibile, anche solo per il packaging e il testing avanzato, potrà ritagliarsi un ruolo complementare a Taiwan, non sostitutivo. E per un hyperscaler che ordina migliaia di nodi di calcolo, o per un’organizzazione che mantiene il proprio cluster di inference on-premise, avere un’opzione in più nella catena logistica è una forma di assicurazione contro la volatilità geopolitica.

La scommessa, insomma, è che meno sussidi per progetto ma più progetti complessivi portino a un ecosistema più resiliente. In palio non c’è solo la sovranità tecnicica dell’India, ma anche la stabilità dell’offerta hardware su scala globale. Per chi oggi compila un business case per un deployment AI self-hosted, vale la pena osservare queste mosse con attenzione.